一、理论基础

1、沙猫群优化算法

文献[1]提出了一种新的元启发式算法，称为沙猫群优化算法(Sand Cat swarm optimization, SCSO)，该算法模拟了沙猫试图在自然界中生存的行为。

（1）初始化种群

在SCSO算法中，种群被称为沙猫群，每一个猫显示问题变量的值。该算法是一种基于种群的方法，将相关结构定义为向量。在ddd维优化问题中，沙猫是表示问题解的1×d1\times d1×d数组。每个变量值(x1,x2,⋯,xd)(x_1,x_2,\cdots,x_d)(x1,x2,⋯,xd)都是一个浮点数。这里的每个xxx必须位于上下边界之间(∀x∈[lower,upper]\forall x\in[\text{lower}, \text{upper}]∀x∈[lower,upper])。为了启动SCSO算法，首先根据问题的大小(Npop×Nd),(pop=1,2,⋯,n)N_{pop}\times N_d), (pop=1,2,\cdots,n)Npop×Nd),(pop=1,2,⋯,n)用沙猫种群创建一个候选矩阵。
此外，通过对定义的适应度函数进行评价，得到每只沙猫的适应度代价。此函数定义问题的相关参数，SCSO将获得参数(变量)的最佳值。将从每个沙猫个体输出相应函数的值。当一次迭代完成时，会选择到目前为止该迭代中适应度函数最优的沙猫，其他沙猫会在下一个迭代中尝试向这个最佳选择的猫移动。因为每次迭代中的最佳解决方案可以代表最接近猎物的猫。如果在下一次迭代中没有找到更好的解决方案，那么该迭代的解决方案就不会不必要地存储在内存中，这确保了内存的有效使用。

（2）搜索猎物(探索)

沙猫的猎物搜索机制依赖于低频噪声发射。每只沙猫的解表示为Xi=(xi1,xi2,⋯,xid)X_i=(x_{i1},x_{i2},\cdots,x_{id})Xi=(xi1,xi2,⋯,xid)。SCSO算法得益于沙猫在低频探测方面的听觉能力，这样就声明了每只猫的敏感范围，沙猫可以感知低于2kHz的低频，在数学模型中，根据算法的工作原理，这个值(rG→\overrightarrow{r_{G}}rG)将随着迭代过程的进行从2线性地降低为0，以逐渐靠近猎物而不会丢失或跳过。因此为了搜索猎物，假设沙猫的敏感范围为2kHz到0(式(1))，SMS_MSM模拟了沙猫的听觉特性，其假设为2(当然对于不同问题可以适当调整以确定代理行为的速度)。值得一提的是，控制探索和利用之间转换的主要参数是RRR，其是根据式(2)获得的向量。此外，iterc\text{iter}_{\text c}iterc是当前迭代次数，itermax⁡\text{iter}_{\max}itermax是最大迭代次数。rG→=SM−(SM×itercitermax⁡)(1)\overrightarrow{r_G}=S_M-\left(\frac{S_M\times\text{iter}_{\text{c}}}{\text{iter}_{\max}}\right)\tag{1}rG=SM−(itermaxSM×iterc)(1)R→=2×rG→×rand(0,1)−rG→(2)\overrightarrow R=2\times\overrightarrow{r_G}\times\text{rand}(0,1)-\overrightarrow{r_G}\tag{2}R=2×rG×rand(0,1)−rG(2)r→=rG→×rand(0,1)(3)\overrightarrow r=\overrightarrow{r_G}\times\text{rand}(0,1)\tag{3}r=rG×rand(0,1)(3)每个搜索代理(沙猫)根据最佳候选位置(Posbc→\overrightarrow{\text{Pos}_{bc}}Posbc)和当前位置(Posc→\overrightarrow{\text{Pos}_{c}}Posc)及其灵敏度范围(r→\overrightarrow rr)更新自己的位置。因此，沙猫能够找到其他可能的最佳猎物位置(式(4))。该公式为算法在搜索区域找到新的局部最优提供了另一个机会。因此，获得的位置位于当前位置和猎物位置之间。此外，这是通过随机性实现的，而不是通过精确的方法。这样，算法中的搜索代理就有利于提高随机性。这使得算法操作成本低，复杂度高效。Pos→(t+1)=r→⋅(Posbc→(t)−rand(0,1)⋅Posc→(t))(4)\overrightarrow{\text{Pos}}(t+1)=\overrightarrow r\cdot\left(\overrightarrow{\text{Pos}_{bc}}(t)-\text{rand}(0,1)\cdot\overrightarrow{\text{Pos}_c}(t)\right)\tag{4}Pos(t+1)=r⋅(Posbc(t)−rand(0,1)⋅Posc(t))(4)

（3）攻击猎物(开发)

如前所述，沙猫根据听力检测猎物。为了数学建模SCSO的攻击猎物阶段，最佳位置(Posb→\overrightarrow{\text{Pos}_b}Posb)(最佳解决方案)和当前位置(Posc→\overrightarrow{\text{Pos}_c}Posc)由式(5)计算。此外，沙猫敏感范围假设为一个圆，这样，运动方向由随机角度决定(θ\thetaθ)在圆圈上。当然，在指定运动方向时，式(5)中声明的其他参数也是有效的。由于所选的随机角度介于0和360之间，其值将介于-1和1之间。这样，种群中的每个成员都能够在搜索空间的不同圆周方向上移动。SCSO有利于轮盘选择算法为每只沙猫选择一个随机角度。这样，沙猫就可以接近狩猎位置。随机角也用于避免局部最优陷阱。使用式(5)中的随机角度将对搜索代理的狩猎方式产生积极影响，并引导它们。Posrnd→\overrightarrow{\text{Pos}_{\text{rnd}}}Posrnd表示随机位置，并确保相关猫可以靠近猎物。Posrnd→=∣rand(0,1)⋅Posb→(t)−Posc→(t)∣Pos→(t+1)=Posb→(t)−r→⋅Posrnd→⋅cos⁡(θ)(5)\begin{array}{c}\overrightarrow{\text{Pos}_{\text{rnd}}}=\left|\text{rand}(0,1)\cdot\overrightarrow{\text{Pos}_{b}}(t)-\overrightarrow{\text{Pos}_{c}}(t)\right|\\[2ex]\overrightarrow{\text{Pos}}(t+1)=\overrightarrow{\text{Pos}_{b}}(t)-\overrightarrow r\cdot\overrightarrow{\text{Pos}_{\text{rnd}}}\cdot\cos(\theta)\end{array}\tag{5}Posrnd=∣∣rand(0,1)⋅Posb(t)−Posc(t)∣∣Pos(t+1)=Posb(t)−r⋅Posrnd⋅cos(θ)(5)

（4）探索和开发

参数rGr_GrG和RRR的自适应值确保了探索和开发。这些参数允许SCSO在两个阶段之间无缝切换。由于参数RRR取决于rGr_GrG，因此其波动范围也将减小。如前所述，当rGr_GrG的值均匀分布时，RRR值也是均匀的，因此根据问题，两阶段之间的操作机会是相当的。换句话说，RRR是区间[−2rG,2rG][-2r_G, 2r_G][−2rG,2rG]中的一个随机值，其中rGr_GrG在迭代过程中线性地从2减少到0。当RRR的随机值为[−1,1][-1,1][−1,1]时，沙猫的下一个位置可以在其当前位置和狩猎位置之间的任何位置。当RRR小于或等于1时，SCSO算法迫使搜索代理开发，否则，搜索代理被迫探索和寻找猎物。在搜索猎物阶段(探索)，每只猫的不同半径避免了局部最优陷阱。这个特征也是攻击猎物(开发)的有效参数之一。式(6)为各沙猫在探索和开发阶段的位置更新情况。X→t+1={Posb→(t)−Posrnd→⋅cos⁡(theta)⋅r→∣R∣≤1;exploitationr→⋅(Posbc→(t)−rand(0,1)⋅Posc→(t))∣R∣>1;exploration(6)\overrightarrow X_{t+1}=\begin{dcases}\overrightarrow{\text{Pos}_{b}}(t)-\overrightarrow{\text{Pos}_{\text{rnd}}}\cdot\cos(theta)\cdot\overrightarrow r\quad\quad\,\,\,\,\,|R|\leq1;\,\, exploitation\\[2ex]\overrightarrow r\cdot\left(\overrightarrow{\text{Pos}_{bc}}(t)-\text{rand}(0,1)\cdot\overrightarrow{\text{Pos}_{c}}(t)\right)\quad|R|>1;\,\,exploration\end{dcases}\tag{6}Xt+1=⎩⎨⎧Posb(t)−Posrnd⋅cos(theta)⋅r∣R∣≤1;exploitationr⋅(Posbc(t)−rand(0,1)⋅Posc(t))∣R∣>1;exploration(6)

2、SCSO算法伪代码

SCSO算法伪代码如图1所示。

图1 SCSO算法伪代码

二、仿真实验与结果分析

将SCSO与PSO、BWO、GSA、WOA、GWO和SSA进行对比，以CEC2019的10个测试函数为例，实验设置种群规模为30，最大迭代次数为500，每种算法独立运算30次，结果显示如下：

函数：F1
PSO：最差值: 125.7827, 最优值: 19.6411, 平均值: 59.9356, 标准差: 26.2356
BWO：最差值: 0.00028033, 最优值: 4.5543e-17, 平均值: 1.3628e-05, 标准差: 5.2763e-05
GSA：最差值: 8.7194e-16, 最优值: 1.1227e-16, 平均值: 2.6264e-16, 标准差: 1.5211e-16
WOA：最差值: 1.3504e-70, 最优值: 1.5715e-85, 平均值: 4.513e-72, 标准差: 2.4653e-71
GWO：最差值: 1.3777e-26, 最优值: 3.3746e-29, 平均值: 1.9341e-27, 标准差: 3.3278e-27
SSA：最差值: 9.6455e-07, 最优值: 3.2465e-08, 平均值: 1.9702e-07, 标准差: 2.1445e-07
SCSO：最差值: 4.9989e-112, 最优值: 8.4894e-124, 平均值: 1.9095e-113, 标准差: 9.1099e-113
函数：F2
PSO：最差值: 16.4317, 最优值: 3.5316, 平均值: 7.2359, 标准差: 2.567
BWO：最差值: 0.0048713, 最优值: 1.0173e-12, 平均值: 0.00029057, 标准差: 0.0010193
GSA：最差值: 4.5926, 最优值: 5.0411e-08, 平均值: 0.50268, 标准差: 1.1475
WOA：最差值: 1.4167e-49, 最优值: 2.1639e-57, 平均值: 6.472e-51, 标准差: 2.6463e-50
GWO：最差值: 2.4568e-16, 最优值: 1.983e-17, 平均值: 9.2945e-17, 标准差: 6.0002e-17
SSA：最差值: 5.3701, 最优值: 0.24113, 平均值: 1.6728, 标准差: 1.1868
SCSO：最差值: 1.8099e-59, 最优值: 7.9364e-67, 平均值: 1.2948e-60, 标准差: 3.8732e-60
函数：F3
PSO：最差值: 6406.308, 最优值: 709.415, 平均值: 1877.1839, 标准差: 1307.9393
BWO：最差值: 1897.3074, 最优值: 470.3724, 平均值: 1098.3569, 标准差: 355.1772
GSA：最差值: 1708.573, 最优值: 421.7699, 平均值: 1016.1001, 标准差: 369.0638
WOA：最差值: 80939.4343, 最优值: 18230.1482, 平均值: 48500.6855, 标准差: 14018.3009
GWO：最差值: 3.6317e-05, 最优值: 5.0469e-08, 平均值: 6.3304e-06, 标准差: 9.1775e-06
SSA：最差值: 4068.8427, 最优值: 367.7928, 平均值: 1583.1015, 标准差: 907.8237
SCSO：最差值: 7.2776e-96, 最优值: 1.4695e-108, 平均值: 3.8826e-97, 标准差: 1.3846e-96
函数：F4
PSO：最差值: 20.8516, 最优值: 5.1927, 平均值: 14.2613, 标准差: 3.2652
BWO：最差值: 28.1311, 最优值: 5.2836, 平均值: 14.1761, 标准差: 6.3778
GSA：最差值: 10.7451, 最优值: 3.218, 平均值: 6.8793, 标准差: 1.8098
WOA：最差值: 91.445, 最优值: 4.302, 平均值: 56.1648, 标准差: 27.4234
GWO：最差值: 5.3693e-06, 最优值: 3.6414e-08, 平均值: 7.5008e-07, 标准差: 1.0986e-06
SSA：最差值: 18.06, 最优值: 5.7078, 平均值: 12.7243, 标准差: 3.1992
SCSO：最差值: 1.9253e-48, 最优值: 1.6991e-56, 平均值: 8.1861e-50, 标准差: 3.5476e-49
函数：F5
PSO：最差值: 6395.2917, 最优值: 404.4589, 平均值: 2530.1534, 标准差: 1565.2195
BWO：最差值: 72071.2165, 最优值: 130.0167, 平均值: 10228.12, 标准差: 19373.0062
GSA：最差值: 986.7163, 最优值: 26.4624, 平均值: 104.8854, 标准差: 198.0738
WOA：最差值: 28.7723, 最优值: 26.8601, 平均值: 28.1855, 标准差: 0.48047
GWO：最差值: 28.7582, 最优值: 25.6142, 平均值: 27.0459, 标准差: 0.69188
SSA：最差值: 17859.6297, 最优值: 25.7603, 平均值: 1045.14, 标准差: 3406.1233
SCSO：最差值: 28.8573, 最优值: 26.911, 平均值: 28.1894, 标准差: 0.71339
函数：F6
PSO：最差值: 163.0515, 最优值: 26.1644, 平均值: 69.0976, 标准差: 32.0217
BWO：最差值: 0.77032, 最优值: 1.1559e-17, 平均值: 0.025781, 标准差: 0.14062
GSA：最差值: 4.155e-16, 最优值: 1.3325e-16, 平均值: 2.4866e-16, 标准差: 7.7213e-17
WOA：最差值: 0.83709, 最优值: 0.041794, 平均值: 0.37122, 标准差: 0.20128
GWO：最差值: 1.5, 最优值: 0.24132, 平均值: 0.78576, 标准差: 0.36602
SSA：最差值: 3.2412e-06, 最优值: 4.2889e-08, 平均值: 2.832e-07, 标准差: 5.9079e-07
SCSO：最差值: 2.7767, 最优值: 1.0386, 平均值: 1.8505, 标准差: 0.4637
函数：F7
PSO：最差值: 0.18189, 最优值: 0.027113, 平均值: 0.081312, 标准差: 0.037168
BWO：最差值: 0.058094, 最优值: 0.0014321, 平均值: 0.0081523, 标准差: 0.012614
GSA：最差值: 5.4723, 最优值: 0.060644, 平均值: 0.40442, 标准差: 0.97922
WOA：最差值: 0.014203, 最优值: 5.3078e-05, 平均值: 0.0034635, 标准差: 0.0039636
GWO：最差值: 0.0052876, 最优值: 0.00069554, 平均值: 0.0020639, 标准差: 0.0010726
SSA：最差值: 0.40981, 最优值: 0.050968, 平均值: 0.18252, 标准差: 0.085388
SCSO：最差值: 0.00049949, 最优值: 6.3355e-06, 平均值: 0.00010341, 标准差: 0.00010399
函数：F8
PSO：最差值: -4276.493, 最优值: -8666.6644, 平均值: -6277.6633, 标准差: 1008.6792
BWO：最差值: -9088.7154, 最优值: -12289.1304, 平均值: -11128.4944, 标准差: 744.1347
GSA：最差值: -1733.0476, 最优值: -4138.4372, 平均值: -2619.5582, 标准差: 520.0808
WOA：最差值: -7159.7333, 最优值: -12567.448, 平均值: -10220.3663, 标准差: 1695.5833
GWO：最差值: -4266.5189, 最优值: -7263.8177, 平均值: -5933.7807, 标准差: 737.6522
SSA：最差值: -6019.9309, 最优值: -9236.5473, 平均值: -7698.2851, 标准差: 827.5151
SCSO：最差值: -4798.901, 最优值: -8102.1024, 平均值: -6746.3078, 标准差: 781.3359
函数：F9
PSO：最差值: 101.6671, 最优值: 33.772, 平均值: 63.186, 标准差: 14.5775
BWO：最差值: 0.026303, 最优值: 2.2737e-13, 平均值: 0.00099569, 标准差: 0.0047996
GSA：最差值: 53.7277, 最优值: 17.9093, 平均值: 35.8185, 标准差: 9.5504
WOA：最差值: 1.1369e-13, 最优值: 0, 平均值: 5.6843e-15, 标准差: 2.2884e-14
GWO：最差值: 27.3698, 最优值: 0, 平均值: 3.2067, 标准差: 6.4634
SSA：最差值: 80.5915, 最优值: 23.879, 平均值: 51.373, 标准差: 16.4352
SCSO：最差值: 0, 最优值: 0, 平均值: 0, 标准差: 0
函数：F10
PSO：最差值: 5.9159, 最优值: 3.3858, 平均值: 4.7064, 标准差: 0.74564
BWO：最差值: 0.0064205, 最优值: 7.2316e-09, 平均值: 0.00049742, 标准差: 0.0013234
GSA：最差值: 1.5017, 最优值: 6.8364e-09, 平均值: 0.12823, 标准差: 0.37281
WOA：最差值: 7.9936e-15, 最优值: 8.8818e-16, 平均值: 4.0856e-15, 标准差: 2.3511e-15
GWO：最差值: 1.501e-13, 最优值: 7.5495e-14, 平均值: 1.0036e-13, 标准差: 1.5943e-14
SSA：最差值: 4.4244, 最优值: 5.1279e-05, 平均值: 2.67, 标准差: 0.88093
SCSO：最差值: 8.8818e-16, 最优值: 8.8818e-16, 平均值: 8.8818e-16, 标准差: 0

实验结果表明：该算法在收敛速度和局部/全局最优解的寻优上均优于其他比较方法。

三、参考文献

[1] Amir Seyyedabbasi, Farzad Kian. Sand Cat swarm optimization: a nature-inspired algorithm to solve global optimization problems[J]. Engineering with Computers, 2022.

基于沙猫群优化算法的函数寻优算法相关推荐

基于沙猫群优化算法的线性规划求解matlab程序
基于沙猫群优化算法的线性规划求解matlab程序 1 沙猫群优化算法沙猫的中文学名叫沙丘猫,俗名沙漠猫,与荒漠猫名字相似,但却是两种不同的猫科动物.沙猫生活在茫茫沙漠里,主要分布在分布于非洲北部,阿 ...
【智能优化算法】基于沙猫群优化算法求解单目标优化问题附matlab代码
1 内容介绍这项研究提出了一种新的元启发式算法,称为沙猫群优化 (SCSO),它模仿试图在自然界中生存的沙猫行为.这些猫能够探测到低于 2 kHz 的低频,并且具有难以置信的挖掘猎物的能力.受这两个 ...
基于蚁群算法的函数寻优算法
文章目录一.理论基础二.案例背景 1.问题描述 2.解题思路及步骤三.MATLAB程序实现 1.清空环境变量 2.初始化参数 3.构建解空间和目标函数 4.迭代寻优 5.结果显示 6.绘图四. ...
基于果蝇优化算法的函数寻优算法
文章目录一.理论基础二.算法步骤 1.启发 2.方向和距离 3.气味浓度判断值 4.适应度评估 5.寻找最优个体 6.飞行 7.迭代优化三.案例背景问题描述四.MATLAB程序实现 1.清空 ...
基于闪电连接过程优化算法的函数寻优算法
文章目录一.理论基础 1.闪电连接过程优化算法 (1)初始化 (2)确定闪电的下一跳 (3)闪电分支消失 (4)上迎先导的移动 (5)连接点的确定 2.LAPO算法伪代码二.仿真实验与结果分析三 ...
基于蜉蝣优化算法的函数寻优算法
文章目录一.理论基础 1.蜉蝣优化算法 (1)雄性蜉蝣的更新 (2)雌性蜉蝣的更新 (3)蜉蝣的交配过程 2.MA算法伪代码二.仿真实验与结果分析 1.函数测试与数值分析 2.WSN三维覆盖优化 ...
基于飞蛾火焰优化算法的函数寻优算法
文章目录一.理论基础 1.算法原理 (1)种群初始化 (2)位置更新机制 2.算法步骤二.Matlab程序三.运行结果四.参考文献一.理论基础飞蛾火焰优化算法(Moth-flame opt ...
基于金豺优化算法的函数寻优算法
文章目录一.理论基础 1.金豺优化算法 (1)搜索空间公式 (2)探索阶段或搜索猎物 (3)开发阶段或围捕和突袭猎物 (4)从探索转向开发 2.GJO伪代码二.仿真实验与结果分析三.参考文献一 ...
基于蜂鸟优化算法的函数寻优算法
文章目录一.理论基础 1.自搜索阶段 2.引导搜索阶段 3.HOA伪代码二.仿真实验与分析三.参考文献一.理论基础蜂鸟优化算法(Hummingbirds optimization algor ...

基于沙猫群优化算法的函数寻优算法

文章目录